Mortalidad por causas en Argentina 6

2.1 La Poblacion

Se tiene una tabla de poblacion por provincias segun edad y sexo, que resulta de la interpolacion spline por edad y sexo a nivel departamental de la poblacion entre las rondas censales 200-2010-2022.

var_agg_prov <- c("anio", "gedad", "sexo", "geocodigo_prov")

# n_distinct(unique(data_pob$geocodigo_prov))

data_pob |> 
  group_by_at(var_agg_prov) |> 
  summarise( pob = round(sum(pob_est, na.rm = TRUE),0)) |> 
  ungroup() |> 
  left_join(lista_provs, by=c("geocodigo_prov"="geocod")) |> 
  left_join(regiones, by=c("geocodigo_prov" = "code_prov")) |> 
  select(geocodigo_prov, region, label, name_simp, anio, gedad, sexo, pob) |> 
  arrange(geocodigo_prov)-> data_pob_prov

head(data_pob_prov)

## # A tibble: 6 × 8
##   geocodigo_prov region label     name_simp  anio gedad       sexo    pob
##   <chr>          <chr>  <chr>     <chr>     <int> <chr>       <chr> <dbl>
## 1 10             NOA    Catamarca Catamarca  2001 25 a 69     Mujer 71671
## 2 10             NOA    Catamarca Catamarca  2001 25 a 69     Varón 70895
## 3 10             NOA    Catamarca Catamarca  2001 70 y mas    Mujer  8167
## 4 10             NOA    Catamarca Catamarca  2001 70 y mas    Varón  5966
## 5 10             NOA    Catamarca Catamarca  2001 Menor de 24 Mujer 86728
## 6 10             NOA    Catamarca Catamarca  2001 Menor de 24 Varón 88871

glimpse(data_pob_prov)

## Rows: 3,168
## Columns: 8
## $ geocodigo_prov <chr> "10", "10", "10", "10", "10", "10", "10", "10", "10", "…
## $ region         <chr> "NOA", "NOA", "NOA", "NOA", "NOA", "NOA", "NOA", "NOA",…
## $ label          <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Ca…
## $ name_simp      <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Ca…
## $ anio           <int> 2001, 2001, 2001, 2001, 2001, 2001, 2002, 2002, 2002, 2…
## $ gedad          <chr> "25 a 69", "25 a 69", "70 y mas", "70 y mas", "Menor de…
## $ sexo           <chr> "Mujer", "Varón", "Mujer", "Varón", "Mujer", "Varón", "…
## $ pob            <dbl> 71671, 70895, 8167, 5966, 86728, 88871, 73115, 72469, 8…

Se observa la distribucion por edades de las poblaciones provinciales segun regiones.

data_pob_prov |> 
  filter(anio == 2018) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob), pob, fill = gedad))+
  geom_col(position = "fill")+
  # scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_wrap(~region, scale="free", ncol=5)

Esto es de acuerdo a la distribucion, y se observan diferencias como las del Centro con mayor proporcion de mayores de 70, asi como algunas Patagonicas. por el contrario las provincias de NOA y NEA con mas Menores de 24. Sin embargo estas estructuras se dan en relaciones de tamaño muy diferentes. Solo la Provincia de Bs As representa casi el 40% de la poblacion nacional y junto a las 4 siguientes provincias en tamaño explican mas del 60% de la poblacion. Si se considera las seis primeras se tiene casi el 70% de la población.

data_pob_prov |> 
  filter(anio == 2021) |> 
  group_by(geocodigo_prov, label) |> 
  summarise(pob = sum(pob)) |> 
  arrange(desc(pob)) |> 
  ungroup() |> 
  mutate(
    pct = pob/sum(pob),
    pct_acum = cumsum(pct),
    porcent = scales::percent(pct, accuracy = 0.1),
    porcent_ac = scales::percent(pct_acum)
  ) |> 
  select(1:3, 6:7) |> 
  DT::datatable(
    caption = "Poblacion de Provincias argentinas,por tamaño, porcentaje y porcentaje acumulado (estimacion 2021)"
  )

Para visualizar mejor estas diferencias ademas de la estructura por edad, debe considerarse el tamaño. Por lo que la distribucion por edad y sexo segun jurisdicciones se ve así:

data_pob_prov |> 
  filter(anio == 2021) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob), pob, fill = gedad))+
  geom_col(position = "stack")+
  scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  # scale_y_log10()+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_wrap(~region, scales ="free_x", ncol=5)

Esto implica que una clasificacion por tamaño sea necesaria, ademas de considerar alternativamente a la region.

data_pob_prov |> 
  filter(anio == 2021) |> 
  group_by(geocodigo_prov) |> 
  summarise(pob = sum(pob)) |> 
  arrange(desc(pob)) |> 
  ungroup() -> vector_pob

data_pob_prov |> 
  filter(anio == 2021) |> 
  group_by(geocodigo_prov, label) |> 
  summarise(pob = sum(pob)) |> 
  arrange(desc(pob)) |> 
  ungroup() |> 
  mutate(
    cuartil = 
    case_when(
      pob > 0 & pob <= 573764   ~ "Pequeñas",
      pob > 573764   & pob <= 924946  ~ "Medianas",
      pob > 924946  & pob <= 1491011  ~ "Grandes",
      pob > 1491011   ~ "Mas Grandes",
    )) -> data_pob_prov_size

quants <- quantile(vector_pob$pob, probs = c(.25, .50, .75))
quants

##       25%       50%       75% 
##  573764.2  924946.5 1491011.0

data_pob_prov |> 
  filter(anio == 2021) |> 
  left_join(data_pob_prov_size, by=c("geocodigo_prov")) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
    cuartil = factor(cuartil, levels = c("Pequeñas", "Medianas", "Grandes", "Mas Grandes"), ordered = TRUE)
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob.x), pob.x, fill = gedad))+
  geom_col(position = "stack")+
  scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  # scale_y_log10()+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8),
    strip.text.y = element_text(angle = 0)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_grid(cuartil~region, scales ="free")

Esta distribucion por tamaños de la poblacion, muestra que en la comparacion por regiones, ciertas provincias son relevantes en la determinacion de la pauta de las regiones, que son los grupos que se usaron previamente. Incluso al observar las distribucion por grupos de edad, se observa que son homogeneas por categoria de tamaño, destacandose solo la Ciudad Autonoma de Buenos Aires, con la mayor proporcion de mayores de 70 y menor de las edades de 0 a 24.

data_pob_prov |> 
  filter(anio == 2021) |> 
  left_join(data_pob_prov_size, by=c("geocodigo_prov")) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
      cuartil = factor(cuartil, levels = c("Pequeñas", "Medianas", "Grandes", "Mas Grandes"), ordered = TRUE)
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob.x), pob.x, fill = gedad))+
  geom_col(position = "fill")+
  scale_y_continuous(n.breaks = 6, labels = c(0, .2, .4,  .6, .8, 1))+
  geom_hline(yintercept = .3, colour = "burlywood3")+
  geom_hline(yintercept = .4, colour = "burlywood3")+
  geom_hline(yintercept = .9, colour = "slateblue4")+
  # scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  # scale_y_log10()+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8),
    strip.text.y = element_text(angle = 0)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_grid(~cuartil, scales ="free")

Se retoman las comparaciones por tamaño de poblacion de las provincias al final.

2.2 Las defunciones

Se tiene una tabla de defunciones por provincias, segun causas, por edad y sexo.

var_agg_def_prov <- c("anio", "Años", "gedad", "sexo", "geocodigo_provincia", "grupo_oms")

data |> 
  filter(!is.na(gedad), !is.na(sexo), !is.na(grupo_oms), !is.na(geocodigo_provincia)) |> 
  group_by_at(var_agg_def_prov) |> 
  summarise(
    casos = sum(casos, na.rm=TRUE)
  ) |> 
  ungroup() -> data_def_prov
  
data_def_prov |> 
  rename(geocodigo_prov = geocodigo_provincia) -> data_def_prov

head(data_def_prov)

## # A tibble: 6 × 7
##    anio Años      gedad       sexo  geocodigo_prov grupo_oms               casos
##   <dbl> <chr>     <fct>       <chr> <chr>          <chr>                   <int>
## 1  2003 2001-2004 Menor de 24 Mujer 10             Condiciones transmisib…   207
## 2  2003 2001-2004 Menor de 24 Mujer 10             Enfermedades mal defin…    23
## 3  2003 2001-2004 Menor de 24 Mujer 10             Enfermedades no transm…   136
## 4  2003 2001-2004 Menor de 24 Mujer 10             Lesiones                   54
## 5  2003 2001-2004 Menor de 24 Mujer 14             Condiciones transmisib…   797
## 6  2003 2001-2004 Menor de 24 Mujer 14             Enfermedades mal defin…   142

2.2.1 Distribucion

Se estima que las defunciones, o conteo de casos (por unidad de area en un tiempo dado), sigue una distribucion de Poisson.

2.2.1.1 Normal

Si se observa la frecuencia de casos por trienios del total de registros, excepto el trienio de la Pandemia

data_def_prov |> 
  filter(anio !=2021) |> 
  ggplot(aes(casos, colour = as.character(anio)))+
  geom_density(alpha=.5)+
  facet_wrap(~sexo+grupo_oms, scale="free", ncol=4)

Se observa que existen valores altos mas o menos frecuentes. El causas externas la distribucion muestra dos picos. Mientras que en mal definidas hay mayor cantidad en valores mas bajos en 2018 que antes, pero la forma es similar.

2.2.1.2 Escala Log

Si se observa la frecuencia de casos por trienios del total en escala Log.

data_def_prov |> 
  filter(anio !=2021) |> 
  ggplot(aes(casos, colour = as.character(anio)))+
  geom_density(alpha=.5)+
  scale_x_log10()+
  facet_wrap(~sexo+grupo_oms, scale="free", ncol=4)

2.3 Estimacion de la Razon

La Razon de mortalidad del trienio se calcula como la razon entre las defunciones del trienio por la poblacion estimada al año central de trienio. Esto permite conservar la mayor cantidad de eventos, y reducir la variabilidad extrema.

\[ \text{Razón}_{\text{trienio}} = \frac{E_{t-1} + E_{t} + E_{t+1}}{P_{t}} \times 100{,}000 \]

Donde $E$ son los eventos, del periodo ${t} $ y $P{t}$ es la poblacion estimada al año central del trienio.

data_def_prov |>
  left_join(data_pob_prov, by=c("anio", "gedad","sexo", "geocodigo_prov")) |> 
  mutate(
    rm = round(casos/pob, 7), # Razon de mortalidad
    rmxm = round(rm * 100000,0), # Razon x 100.000
    ici_rmxm = round(qchisq(0.025, 2 * casos) / (2 * pob) * 100000,1), #intervalo inferior
    ics_rmxm = round(qchisq(0.975, 2 * casos + 2) / (2 * pob) * 100000,1) # intervalo superior
  )-> data_mort_prov

DT::datatable(head(data_mort_prov, n=30))

La estimacion de la razon, y limites con un intervalo de confianz, permiten comparar si la diferencia entre provincias en la razon de mortalidad, es estadistica significativa.

summary(data_mort_prov$ics_rmxm)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     2.0    93.3   217.2  2052.9  1275.0 31160.5

summary(data_mort_prov$rmxm)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       1      77     188    1938    1189   30777

summary(data_mort_prov$ici_rmxm)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0    63.4   162.8  1832.9  1097.3 30398.0

2.3.1 Mortalidad por edades

Con este conjunto de datos:

glimpse(data_mort_prov)

## Rows: 4,013
## Columns: 15
## $ anio           <dbl> 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2…
## $ Años           <chr> "2001-2004", "2001-2004", "2001-2004", "2001-2004", "20…
## $ gedad          <chr> "Menor de 24", "Menor de 24", "Menor de 24", "Menor de …
## $ sexo           <chr> "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "…
## $ geocodigo_prov <chr> "10", "10", "10", "10", "14", "14", "14", "14", "18", "…
## $ grupo_oms      <chr> "Condiciones transmisibles, maternas, perinatales y nut…
## $ casos          <int> 207, 23, 136, 54, 797, 142, 893, 382, 651, 53, 355, 172…
## $ region         <chr> "NOA", "NOA", "NOA", "NOA", "CENTRO", "CENTRO", "CENTRO…
## $ label          <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Có…
## $ name_simp      <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Có…
## $ pob            <dbl> 86704, 86704, 86704, 86704, 672863, 672863, 672863, 672…
## $ rm             <dbl> 0.0023874, 0.0002653, 0.0015686, 0.0006228, 0.0011845, …
## $ rmxm           <dbl> 239, 27, 157, 62, 118, 21, 133, 57, 267, 22, 146, 71, 1…
## $ ici_rmxm       <dbl> 207.3, 16.8, 131.6, 46.8, 110.4, 17.8, 124.2, 51.2, 247…
## $ ics_rmxm       <dbl> 273.6, 39.8, 185.5, 81.3, 127.0, 24.9, 141.7, 62.8, 288…

…En adelante se consignan las tablas separadas en grupos de edad de la Razon de mortalidad del trienio de las provincias agrupadas por region, segun causas por sexo. Esto permite una mejor visualizacion para comparar casos. Se debe en cada caso, desplegar la tabla. Donde los Grupo 1 al Grupo 4 corresponden a Condiciones transmisibles, maternas, perinatales y nutricionales, Enfermedades mal definidas, Enfermedades no transmisibles, Lesiones respectivamente.

Luego se analizan graficamente la evolucion de la serie.

2.3.2 Por edades

# write.csv2(data_mort_prov, "~/GitHub/dinamica_mortalidad/excel_tablas/data_mort_provincias.csv", fileEncoding = "latin1")

2.3.2.1 Jovenes

2.3.2.1.1 Grupo1

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Condiciones transmisibles, maternas, perinatales y nutricionales
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	92	96	88	77	63	48
	CABA	Mujer	70	64	66	54	48	34
	Córdoba	Mujer	76	81	67	60	55	43
	Entre Ríos	Mujer	82	85	74	73	70	57
	La Pampa	Mujer	80	86	73	59	52	46
	Santa Fe	Mujer	81	80	76	71	59	51
	Bs As	Varón	119	115	108	98	80	61
	CABA	Varón	85	87	93	85	59	37
	Córdoba	Varón	99	101	80	81	71	51
	Entre Ríos	Varón	120	112	95	97	70	70
	La Pampa	Varón	107	120	104	79	77	47
	Santa Fe	Varón	104	99	104	88	72	69
CUYO	Mendoza	Mujer	86	76	64	63	44	35
	San Juan	Mujer	111	95	94	68	71	48
	San Luis	Mujer	127	97	58	56	52	47
	Mendoza	Varón	101	104	78	79	68	47
	San Juan	Varón	149	124	85	96	80	68
	San Luis	Varón	130	130	65	94	54	60
NEA	Chaco	Mujer	163	162	111	104	91	98
	Corrientes	Mujer	134	148	133	130	100	88
	Formosa	Mujer	265	207	201	145	142	123
	Misiones	Mujer	129	126	102	79	71	72
	Chaco	Varón	205	176	111	140	124	106
	Corrientes	Varón	179	163	159	156	139	106
	Formosa	Varón	272	241	220	182	166	165
	Misiones	Varón	175	142	129	115	92	88
NOA	Catamarca	Mujer	120	132	111	76	69	48
	Jujuy	Mujer	120	110	87	100	69	55
	La Rioja	Mujer	97	116	128	104	88	79
	Salta	Mujer	152	142	141	136	99	80
	Santiago	Mujer	108	124	90	84	62	60
	Tucumán	Mujer	119	131	125	107	98	89
	Catamarca	Varón	147	174	96	91	55	52
	Jujuy	Varón	121	129	129	94	99	74
	La Rioja	Varón	155	132	132	121	91	118
	Salta	Varón	176	178	162	141	116	85
	Santiago	Varón	129	141	128	115	86	66
	Tucumán	Varón	148	168	159	138	123	92
PATAGONIA	Chubut	Mujer	77	93	80	80	55	48
	Neuquén	Mujer	73	78	65	68	34	23
	Río Negro	Mujer	66	70	70	59	51	46
	Santa Cruz	Mujer	110	72	48	78	66	58
	Tierra del Fuego	Mujer	67	57	75	45	59	27
	Chubut	Varón	112	99	104	80	69	57
	Neuquén	Varón	87	74	70	80	48	38
	Río Negro	Varón	83	100	96	79	75	64
	Santa Cruz	Varón	130	125	105	108	79	53
	Tierra del Fuego	Varón	104	57	65	94	73	52

2.3.2.1.2 Grupo2

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Enfermedades no transmisibles") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades no transmisibles") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Enfermedades no transmisibles
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	103	100	100	91	78	62
	CABA	Mujer	101	99	98	90	73	54
	Córdoba	Mujer	93	91	80	80	76	58
	Entre Ríos	Mujer	90	93	80	88	84	66
	La Pampa	Mujer	84	83	73	78	61	47
	Santa Fe	Mujer	84	81	84	82	77	68
	Bs As	Varón	123	124	120	109	98	75
	CABA	Varón	131	134	136	109	87	72
	Córdoba	Varón	105	105	99	95	83	70
	Entre Ríos	Varón	118	115	105	108	98	82
	La Pampa	Varón	97	105	98	89	77	47
	Santa Fe	Varón	104	113	94	103	94	82
CUYO	Mendoza	Mujer	95	94	87	93	71	65
	San Juan	Mujer	119	103	93	85	82	61
	San Luis	Mujer	108	90	69	91	82	56
	Mendoza	Varón	101	112	102	95	88	69
	San Juan	Varón	137	122	124	108	89	80
	San Luis	Varón	118	106	92	103	87	83
NEA	Chaco	Mujer	131	120	112	127	114	108
	Corrientes	Mujer	93	97	102	93	84	77
	Formosa	Mujer	134	147	132	134	107	85
	Misiones	Mujer	94	91	102	106	104	92
	Chaco	Varón	145	144	144	137	150	119
	Corrientes	Varón	121	120	122	120	114	90
	Formosa	Varón	167	164	159	168	139	120
	Misiones	Varón	114	126	109	140	115	102
NOA	Catamarca	Mujer	90	88	57	100	99	57
	Jujuy	Mujer	110	100	86	80	62	61
	La Rioja	Mujer	91	101	84	45	84	55
	Salta	Mujer	97	106	117	94	93	73
	Santiago	Mujer	83	86	69	69	80	69
	Tucumán	Mujer	91	86	91	101	83	67
	Catamarca	Varón	95	77	93	106	93	77
	Jujuy	Varón	113	98	104	102	83	69
	La Rioja	Varón	120	113	93	89	86	77
	Salta	Varón	106	135	125	118	93	92
	Santiago	Varón	85	93	76	101	81	81
	Tucumán	Varón	114	100	110	110	105	80
PATAGONIA	Chubut	Mujer	91	89	76	54	62	47
	Neuquén	Mujer	87	86	91	100	65	58
	Río Negro	Mujer	70	93	81	68	77	57
	Santa Cruz	Mujer	104	66	82	64	55	70
	Tierra del Fuego	Mujer	97	53	61	88	62	27
	Chubut	Varón	115	100	98	75	77	63
	Neuquén	Varón	99	103	103	88	91	64
	Río Negro	Varón	95	109	99	103	85	80
	Santa Cruz	Varón	135	112	125	125	72	84
	Tierra del Fuego	Varón	85	121	78	110	73	58

2.3.2.1.3 Grupo3

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Lesiones" ) |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Lesiones") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Lesiones
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	38	36	38	31	30	25
	CABA	Mujer	33	26	25	20	17	10
	Córdoba	Mujer	43	37	35	33	34	28
	Entre Ríos	Mujer	36	39	42	30	30	24
	La Pampa	Mujer	43	45	51	45	52	28
	Santa Fe	Mujer	44	45	50	44	39	38
	Bs As	Varón	124	132	140	125	101	79
	CABA	Varón	94	81	95	82	53	39
	Córdoba	Varón	129	121	126	117	108	85
	Entre Ríos	Varón	132	134	154	124	108	84
	La Pampa	Varón	120	153	130	110	100	82
	Santa Fe	Varón	162	185	210	204	163	145
CUYO	Mendoza	Mujer	58	62	49	47	40	28
	San Juan	Mujer	44	43	50	46	26	37
	San Luis	Mujer	63	48	49	46	45	42
	Mendoza	Varón	173	165	165	153	124	83
	San Juan	Varón	147	126	176	137	113	80
	San Luis	Varón	122	122	147	136	143	100
NEA	Chaco	Mujer	45	54	51	57	53	49
	Corrientes	Mujer	38	44	44	30	37	28
	Formosa	Mujer	55	62	64	67	57	49
	Misiones	Mujer	65	44	47	46	52	34
	Chaco	Varón	144	155	174	183	170	156
	Corrientes	Varón	124	135	142	136	133	93
	Formosa	Varón	161	151	197	200	177	131
	Misiones	Varón	128	140	161	154	130	126
NOA	Catamarca	Mujer	45	54	57	56	56	43
	Jujuy	Mujer	85	73	91	67	70	52
	La Rioja	Mujer	49	57	53	29	34	38
	Salta	Mujer	61	53	57	55	56	46
	Santiago	Mujer	37	47	44	42	44	30
	Tucumán	Mujer	46	44	38	47	38	31
	Catamarca	Varón	114	112	136	172	182	106
	Jujuy	Varón	156	151	197	168	166	105
	La Rioja	Varón	142	136	173	158	128	117
	Salta	Varón	132	153	175	163	157	129
	Santiago	Varón	110	118	167	172	142	104
	Tucumán	Varón	122	130	172	165	198	133
PATAGONIA	Chubut	Mujer	42	52	41	35	31	24
	Neuquén	Mujer	57	50	46	37	35	32
	Río Negro	Mujer	47	36	38	41	37	32
	Santa Cruz	Mujer	38	61	58	48	37	32
	Tierra del Fuego	Mujer	60	46	54	39	37	47
	Chubut	Varón	164	173	190	146	120	108
	Neuquén	Varón	143	163	143	154	131	107
	Río Negro	Varón	140	148	138	129	133	105
	Santa Cruz	Varón	150	155	160	140	107	116
	Tierra del Fuego	Varón	145	143	102	91	73	98

2.3.2.1.4 Grupo4

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Enfermedades mal definidas") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades mal definidas") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Enfermedades mal definidas
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	9	11	9	9	7	5
	CABA	Mujer	3	4	1	1	2	2
	Córdoba	Mujer	11	15	15	14	13	10
	Entre Ríos	Mujer	12	16	14	8	6	12
	La Pampa	Mujer	2	2	NA	NA	2	NA
	Santa Fe	Mujer	17	10	10	9	11	9
	Bs As	Varón	12	16	11	13	11	6
	CABA	Varón	3	3	3	2	3	3
	Córdoba	Varón	21	24	25	20	18	15
	Entre Ríos	Varón	30	23	24	20	19	31
	La Pampa	Varón	1	NA	2	3	8	5
	Santa Fe	Varón	23	20	20	14	20	13
CUYO	Mendoza	Mujer	2	2	1	2	4	6
	San Juan	Mujer	NA	1	1	1	6	4
	San Luis	Mujer	NA	NA	NA	3	NA	3
	Mendoza	Varón	2	4	2	2	7	7
	San Juan	Varón	5	1	2	4	5	7
	San Luis	Varón	1	1	1	1	1	3
NEA	Chaco	Mujer	8	16	17	14	8	14
	Corrientes	Mujer	9	13	10	12	13	8
	Formosa	Mujer	8	6	7	10	8	12
	Misiones	Mujer	14	12	10	3	3	1
	Chaco	Varón	19	23	21	18	17	22
	Corrientes	Varón	17	17	14	19	18	17
	Formosa	Varón	17	13	9	14	7	6
	Misiones	Varón	23	24	12	3	2	2
NOA	Catamarca	Mujer	21	10	13	23	11	7
	Jujuy	Mujer	15	8	9	6	7	12
	La Rioja	Mujer	12	14	11	6	6	7
	Salta	Mujer	9	5	3	2	3	5
	Santiago	Mujer	17	22	10	16	14	12
	Tucumán	Mujer	6	8	3	4	5	5
	Catamarca	Varón	11	16	25	20	22	5
	Jujuy	Varón	14	8	16	12	9	15
	La Rioja	Varón	15	21	24	11	15	14
	Salta	Varón	11	7	3	2	9	6
	Santiago	Varón	28	21	21	23	16	15
	Tucumán	Varón	7	15	5	6	4	8
PATAGONIA	Chubut	Mujer	2	8	3	4	6	13
	Neuquén	Mujer	2	1	2	2	2	2
	Río Negro	Mujer	11	3	5	9	4	4
	Santa Cruz	Mujer	NA	8	3	5	2	5
	Tierra del Fuego	Mujer	NA	4	NA	NA	3	NA
	Chubut	Varón	6	8	10	8	11	11
	Neuquén	Varón	NA	4	2	2	10	6
	Río Negro	Varón	11	7	10	10	9	11
	Santa Cruz	Varón	5	3	6	1	4	NA
	Tierra del Fuego	Varón	NA	4	3	3	6	3

2.3.2.2 Edades centrales

2.3.2.2.1 Grupo1

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Condiciones transmisibles, maternas, perinatales y nutricionales
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	112	124	123	133	136	348
	CABA	Mujer	133	86	82	106	89	237
	Córdoba	Mujer	63	75	76	86	80	245
	Entre Ríos	Mujer	83	93	100	99	82	226
	La Pampa	Mujer	65	85	98	94	76	229
	Santa Fe	Mujer	78	92	91	103	99	326
	Bs As	Varón	191	205	196	211	212	606
	CABA	Varón	270	181	159	191	178	540
	Córdoba	Varón	116	131	144	142	142	452
	Entre Ríos	Varón	133	165	188	169	135	423
	La Pampa	Varón	106	160	140	147	144	428
	Santa Fe	Varón	143	158	158	186	162	550
CUYO	Mendoza	Mujer	67	51	56	72	62	262
	San Juan	Mujer	143	117	126	134	98	279
	San Luis	Mujer	106	106	109	108	102	256
	Mendoza	Varón	106	99	94	112	104	443
	San Juan	Varón	202	168	154	175	128	442
	San Luis	Varón	177	153	168	161	134	444
NEA	Chaco	Mujer	152	149	142	138	163	454
	Corrientes	Mujer	132	142	104	103	99	255
	Formosa	Mujer	119	165	166	188	173	398
	Misiones	Mujer	117	113	129	113	113	267
	Chaco	Varón	200	259	227	248	250	771
	Corrientes	Varón	173	202	177	174	171	442
	Formosa	Varón	166	242	269	273	239	681
	Misiones	Varón	161	170	221	173	184	462
NOA	Catamarca	Mujer	85	113	120	131	115	307
	Jujuy	Mujer	140	145	165	161	143	380
	La Rioja	Mujer	156	175	173	157	124	443
	Salta	Mujer	146	153	150	150	152	309
	Santiago	Mujer	137	151	128	137	131	339
	Tucumán	Mujer	114	100	131	162	161	422
	Catamarca	Varón	114	165	182	193	144	430
	Jujuy	Varón	247	260	268	258	244	713
	La Rioja	Varón	201	225	255	214	169	707
	Salta	Varón	276	283	251	257	265	569
	Santiago	Varón	204	232	214	202	205	516
	Tucumán	Varón	147	153	182	224	247	717
PATAGONIA	Chubut	Mujer	99	99	77	85	93	296
	Neuquén	Mujer	53	59	49	43	37	292
	Río Negro	Mujer	53	60	47	53	76	315
	Santa Cruz	Mujer	93	128	107	119	96	294
	Tierra del Fuego	Mujer	97	53	70	63	55	188
	Chubut	Varón	174	153	120	147	152	489
	Neuquén	Varón	86	77	108	86	85	564
	Río Negro	Varón	89	103	104	110	116	593
	Santa Cruz	Varón	136	179	169	129	126	587
	Tierra del Fuego	Varón	66	103	98	123	90	502

2.3.2.2.2 Grupo2

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Enfermedades no transmisibles") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades no transmisibles") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Enfermedades no transmisibles
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	871	840	845	843	823	810
	CABA	Mujer	881	854	828	797	711	675
	Córdoba	Mujer	888	848	846	829	793	774
	Entre Ríos	Mujer	843	813	766	790	738	694
	La Pampa	Mujer	822	767	809	715	651	697
	Santa Fe	Mujer	869	817	800	817	742	742
	Bs As	Varón	1546	1433	1410	1370	1311	1288
	CABA	Varón	1529	1459	1353	1300	1158	1056
	Córdoba	Varón	1554	1437	1368	1307	1211	1172
	Entre Ríos	Varón	1618	1475	1407	1347	1227	1106
	La Pampa	Varón	1683	1449	1428	1363	1182	1086
	Santa Fe	Varón	1568	1455	1345	1326	1187	1123
CUYO	Mendoza	Mujer	831	859	852	877	805	762
	San Juan	Mujer	911	929	872	836	793	771
	San Luis	Mujer	845	880	847	734	727	814
	Mendoza	Varón	1345	1339	1326	1240	1196	1129
	San Juan	Varón	1461	1371	1319	1246	1241	1136
	San Luis	Varón	1457	1366	1335	1353	1215	1228
NEA	Chaco	Mujer	921	879	855	903	902	905
	Corrientes	Mujer	872	896	814	797	812	729
	Formosa	Mujer	915	940	940	946	957	864
	Misiones	Mujer	832	845	871	921	859	895
	Chaco	Varón	1578	1454	1485	1499	1445	1480
	Corrientes	Varón	1382	1338	1330	1305	1228	1109
	Formosa	Varón	1375	1476	1432	1531	1492	1359
	Misiones	Varón	1313	1309	1374	1475	1432	1368
NOA	Catamarca	Mujer	738	800	769	717	714	756
	Jujuy	Mujer	789	758	739	660	637	593
	La Rioja	Mujer	766	732	689	725	774	663
	Salta	Mujer	746	827	789	814	779	750
	Santiago	Mujer	761	681	676	700	702	668
	Tucumán	Mujer	803	820	853	860	826	774
	Catamarca	Varón	1153	1201	1145	1159	1150	1101
	Jujuy	Varón	1178	1156	1056	982	991	908
	La Rioja	Varón	1066	1175	1150	1129	1201	982
	Salta	Varón	1156	1291	1302	1317	1182	1085
	Santiago	Varón	1210	1224	1106	1144	1101	1005
	Tucumán	Varón	1241	1274	1310	1320	1216	1133
PATAGONIA	Chubut	Mujer	741	670	710	723	646	585
	Neuquén	Mujer	678	677	673	643	652	633
	Río Negro	Mujer	684	696	687	732	677	681
	Santa Cruz	Mujer	675	646	559	621	723	722
	Tierra del Fuego	Mujer	576	594	604	588	564	524
	Chubut	Varón	1358	1247	1296	1217	1080	988
	Neuquén	Varón	1193	1154	1098	1136	1026	977
	Río Negro	Varón	1204	1165	1121	1113	1088	1092
	Santa Cruz	Varón	1307	1127	1117	1077	1143	1180
	Tierra del Fuego	Varón	983	951	955	926	894	774

2.3.2.2.3 Grupo3

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Lesiones" ) |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Lesiones") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Lesiones
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	55	54	53	51	46	37
	CABA	Mujer	56	47	47	40	37	26
	Córdoba	Mujer	62	54	55	53	48	44
	Entre Ríos	Mujer	68	50	56	52	51	42
	La Pampa	Mujer	71	72	59	64	42	40
	Santa Fe	Mujer	77	72	73	61	61	56
	Bs As	Varón	252	246	244	226	199	169
	CABA	Varón	182	159	151	142	123	97
	Córdoba	Varón	254	235	228	201	182	181
	Entre Ríos	Varón	262	282	249	238	210	160
	La Pampa	Varón	258	251	264	222	189	170
	Santa Fe	Varón	312	315	312	296	265	250
CUYO	Mendoza	Mujer	67	74	67	59	60	41
	San Juan	Mujer	78	87	92	65	63	39
	San Luis	Mujer	67	60	47	62	47	47
	Mendoza	Varón	287	278	263	232	209	183
	San Juan	Varón	265	304	306	233	226	177
	San Luis	Varón	256	272	227	228	230	208
NEA	Chaco	Mujer	67	75	78	74	71	65
	Corrientes	Mujer	56	63	70	62	51	39
	Formosa	Mujer	62	73	84	70	77	85
	Misiones	Mujer	66	73	73	64	64	54
	Chaco	Varón	282	319	318	325	319	305
	Corrientes	Varón	272	271	298	266	241	192
	Formosa	Varón	304	311	380	339	305	256
	Misiones	Varón	352	338	350	318	294	239
NOA	Catamarca	Mujer	49	46	56	61	51	48
	Jujuy	Mujer	85	95	74	68	68	55
	La Rioja	Mujer	54	41	60	32	40	44
	Salta	Mujer	71	60	60	53	53	49
	Santiago	Mujer	51	52	53	59	52	37
	Tucumán	Mujer	46	56	55	52	58	44
	Catamarca	Varón	204	215	259	215	233	213
	Jujuy	Varón	344	342	389	347	278	269
	La Rioja	Varón	212	262	288	233	235	191
	Salta	Varón	313	285	296	264	229	220
	Santiago	Varón	236	249	292	281	256	193
	Tucumán	Varón	246	268	281	278	287	222
PATAGONIA	Chubut	Mujer	77	79	62	56	51	28
	Neuquén	Mujer	72	73	57	59	52	53
	Río Negro	Mujer	60	46	58	57	52	40
	Santa Cruz	Mujer	93	85	75	56	58	42
	Tierra del Fuego	Mujer	78	70	76	46	42	30
	Chubut	Varón	323	332	307	254	259	209
	Neuquén	Varón	342	324	310	291	236	230
	Río Negro	Varón	305	301	281	238	232	216
	Santa Cruz	Varón	359	315	324	283	229	212
	Tierra del Fuego	Varón	241	239	198	192	181	146

2.3.2.2.4 Grupo4

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Enfermedades mal definidas") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades mal definidas") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Enfermedades mal definidas
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	58	72	67	44	33	28
	CABA	Mujer	10	14	12	12	24	29
	Córdoba	Mujer	54	66	64	59	67	77
	Entre Ríos	Mujer	106	133	145	135	134	157
	La Pampa	Mujer	17	31	16	10	38	44
	Santa Fe	Mujer	106	120	127	91	97	111
	Bs As	Varón	133	143	127	91	66	59
	CABA	Varón	26	34	24	27	41	45
	Córdoba	Varón	154	167	158	139	141	153
	Entre Ríos	Varón	288	319	354	339	324	331
	La Pampa	Varón	51	42	30	31	75	57
	Santa Fe	Varón	269	291	266	217	230	248
CUYO	Mendoza	Mujer	41	22	19	24	28	34
	San Juan	Mujer	14	11	10	16	25	41
	San Luis	Mujer	5	4	NA	4	13	25
	Mendoza	Varón	69	38	32	34	49	79
	San Juan	Varón	23	16	18	21	51	62
	San Luis	Varón	6	4	5	23	36	50
NEA	Chaco	Mujer	104	131	113	120	116	141
	Corrientes	Mujer	102	119	128	123	109	136
	Formosa	Mujer	47	36	33	38	53	31
	Misiones	Mujer	99	88	17	3	9	3
	Chaco	Varón	239	282	285	264	264	316
	Corrientes	Varón	233	257	263	293	264	282
	Formosa	Varón	129	102	83	88	85	103
	Misiones	Varón	231	201	37	7	10	7
NOA	Catamarca	Mujer	80	44	46	83	85	64
	Jujuy	Mujer	90	87	86	96	87	101
	La Rioja	Mujer	106	79	119	94	75	147
	Salta	Mujer	58	39	27	6	24	36
	Santiago	Mujer	155	137	148	169	157	161
	Tucumán	Mujer	107	104	44	32	22	30
	Catamarca	Varón	139	92	92	126	134	110
	Jujuy	Varón	215	204	216	230	200	231
	La Rioja	Varón	224	161	186	177	98	278
	Salta	Varón	126	74	46	19	57	63
	Santiago	Varón	323	315	300	315	315	293
	Tucumán	Varón	204	172	73	52	48	69
PATAGONIA	Chubut	Mujer	20	24	9	19	44	66
	Neuquén	Mujer	15	12	8	12	15	17
	Río Negro	Mujer	52	68	60	63	54	55
	Santa Cruz	Mujer	9	36	38	29	19	8
	Tierra del Fuego	Mujer	15	20	15	8	11	34
	Chubut	Varón	89	87	44	48	111	188
	Neuquén	Varón	45	48	48	35	52	65
	Río Negro	Varón	185	169	192	172	143	146
	Santa Cruz	Varón	66	106	128	79	45	21
	Tierra del Fuego	Varón	43	47	42	28	34	64

2.3.2.3 Mayor de 70

2.3.2.3.1 Grupo1

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Condiciones transmisibles, maternas, perinatales y nutricionales
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	2393	2409	2484	2913	3235	5188
	CABA	Mujer	4160	2692	2894	3766	3697	5314
	Córdoba	Mujer	1506	1704	1931	2248	2234	3750
	Entre Ríos	Mujer	1750	1804	2097	2117	2135	3694
	La Pampa	Mujer	2222	2718	2535	2608	2648	3804
	Santa Fe	Mujer	1740	2028	2239	2764	2913	4754
	Bs As	Varón	3038	2932	3052	3587	3861	7203
	CABA	Varón	4652	3109	3249	4202	4448	7458
	Córdoba	Varón	1886	2209	2474	2794	2637	5553
	Entre Ríos	Varón	2337	2387	2807	2495	2459	5051
	La Pampa	Varón	2652	3366	3114	3151	3416	5479
	Santa Fe	Varón	2103	2441	2702	3168	3354	6417
CUYO	Mendoza	Mujer	1967	1464	1376	2163	1958	3981
	San Juan	Mujer	4083	3835	3879	4353	3780	4863
	San Luis	Mujer	2981	2637	3570	3214	2783	3764
	Mendoza	Varón	2353	1655	1501	2190	2129	5654
	San Juan	Varón	4659	4465	4206	4892	3863	6303
	San Luis	Varón	3629	3447	4128	3900	3249	5195
NEA	Chaco	Mujer	2802	3067	3123	3465	3738	6003
	Corrientes	Mujer	2599	2431	2493	2248	2511	3588
	Formosa	Mujer	2131	2749	3019	2851	3358	4553
	Misiones	Mujer	1966	1776	2246	2006	2755	4795
	Chaco	Varón	3837	4309	3978	4316	5034	8885
	Corrientes	Varón	3088	3193	3069	2610	2990	5017
	Formosa	Varón	2373	3742	3992	4022	3852	6708
	Misiones	Varón	2501	2253	3108	2660	3464	6781
NOA	Catamarca	Mujer	1959	2660	2411	2861	2870	4587
	Jujuy	Mujer	2919	3148	3139	3584	3615	5858
	La Rioja	Mujer	3144	3404	3453	3341	2911	5839
	Salta	Mujer	2990	3225	2784	2947	3048	4575
	Santiago	Mujer	2831	3046	2531	2383	2765	4517
	Tucumán	Mujer	2705	2760	3369	4082	4208	6416
	Catamarca	Varón	2389	2693	3040	3402	3114	5873
	Jujuy	Varón	3557	3814	4108	4608	4445	8920
	La Rioja	Varón	3992	4183	4544	4209	3731	8467
	Salta	Varón	3535	3966	3537	3914	4029	6855
	Santiago	Varón	3424	3568	3117	2998	3029	5730
	Tucumán	Varón	3288	3305	3952	5039	5057	8794
PATAGONIA	Chubut	Mujer	2543	2250	3215	4352	2498	4610
	Neuquén	Mujer	2228	2183	2133	2099	1890	3990
	Río Negro	Mujer	1491	1571	1643	1520	2088	4459
	Santa Cruz	Mujer	2519	3504	2765	2902	2657	4891
	Tierra del Fuego	Mujer	2504	1595	2731	1962	1679	5148
	Chubut	Varón	3535	2915	3404	4389	3277	6658
	Neuquén	Varón	1905	2263	2428	2330	1689	6434
	Río Negro	Varón	1803	1787	1984	2143	2546	6766
	Santa Cruz	Varón	3139	3414	3776	3830	3355	7336
	Tierra del Fuego	Varón	4043	2186	2715	3100	2233	8328

2.3.2.3.2 Grupo2

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Enfermedades no transmisibles") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades no transmisibles") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Enfermedades no transmisibles
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	15103	13909	13786	13929	13164	13061
	CABA	Mujer	15094	15848	15478	14532	12860	12253
	Córdoba	Mujer	16559	15291	14976	14478	13775	13967
	Entre Ríos	Mujer	13758	12198	11064	11239	10797	10147
	La Pampa	Mujer	14175	12432	13077	12245	10722	11445
	Santa Fe	Mujer	15631	13992	13490	13640	12375	12156
	Bs As	Varón	20815	18645	18255	18183	17112	16186
	CABA	Varón	19862	20006	19374	17738	15491	14408
	Córdoba	Varón	22044	20557	19566	19105	18062	17772
	Entre Ríos	Varón	19365	17086	15446	15316	14920	13948
	La Pampa	Varón	19869	17628	18571	17745	15063	14401
	Santa Fe	Varón	21378	19721	18295	18451	16423	15331
CUYO	Mendoza	Mujer	14542	15332	15146	14230	13524	12912
	San Juan	Mujer	14141	13986	12823	12132	12292	12634
	San Luis	Mujer	15249	14384	13707	13501	12710	12774
	Mendoza	Varón	18652	19764	19280	18321	17647	16387
	San Juan	Varón	19593	18592	17903	16479	17363	16276
	San Luis	Varón	19936	18876	17375	17400	17655	16777
NEA	Chaco	Mujer	12943	11528	10990	11926	11181	11342
	Corrientes	Mujer	12378	11587	10635	10984	10073	9882
	Formosa	Mujer	13192	12154	10952	11537	11213	10724
	Misiones	Mujer	11732	11960	13567	14927	13439	13980
	Chaco	Varón	18980	16663	16597	17473	16352	15595
	Corrientes	Varón	16703	16036	14944	14903	13251	12764
	Formosa	Varón	17350	15880	15428	16465	14631	14641
	Misiones	Varón	16340	17345	18514	19860	17612	18701
NOA	Catamarca	Mujer	12899	13285	12340	12228	11711	11339
	Jujuy	Mujer	11206	10593	9522	8380	8502	8094
	La Rioja	Mujer	10993	10597	10290	10677	11663	9346
	Salta	Mujer	11341	12096	12116	12238	11485	11376
	Santiago	Mujer	10735	9774	9592	9740	9550	9180
	Tucumán	Mujer	12229	12299	12688	12913	11780	12077
	Catamarca	Varón	17355	18382	16468	15747	14732	15004
	Jujuy	Varón	14414	14579	13239	10830	11048	10478
	La Rioja	Varón	15880	15259	14630	14250	15576	12510
	Salta	Varón	15033	16056	15694	16071	15051	15033
	Santiago	Varón	15179	13010	12914	13276	12358	12217
	Tucumán	Varón	18066	17340	17654	17101	16065	15473
PATAGONIA	Chubut	Mujer	11737	11741	11405	10885	10810	9921
	Neuquén	Mujer	13469	12501	12410	11616	11555	11419
	Río Negro	Mujer	12567	11449	11093	11349	10889	11351
	Santa Cruz	Mujer	13277	10823	9987	11321	12498	12220
	Tierra del Fuego	Mujer	11770	11362	11817	11357	9940	9639
	Chubut	Varón	16886	16472	16444	15446	14947	13129
	Neuquén	Varón	18961	17924	17212	17272	16497	14896
	Río Negro	Varón	16311	16424	16184	16087	15286	14869
	Santa Cruz	Varón	20068	17984	17589	17206	16613	17795
	Tierra del Fuego	Varón	24495	19011	14453	14600	13879	11126

2.3.2.3.3 Grupo3

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Lesiones" ) |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Lesiones") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Lesiones
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	263	204	235	268	255	197
	CABA	Mujer	246	217	252	186	158	153
	Córdoba	Mujer	333	297	224	280	228	209
	Entre Ríos	Mujer	407	330	237	242	257	204
	La Pampa	Mujer	459	213	163	194	159	189
	Santa Fe	Mujer	701	521	548	623	416	352
	Bs As	Varón	522	452	430	471	399	352
	CABA	Varón	456	373	409	329	269	282
	Córdoba	Varón	603	469	466	473	406	405
	Entre Ríos	Varón	615	599	491	450	425	359
	La Pampa	Varón	873	570	410	422	482	350
	Santa Fe	Varón	902	710	728	771	583	500
CUYO	Mendoza	Mujer	395	420	376	400	435	402
	San Juan	Mujer	811	750	660	548	365	396
	San Luis	Mujer	344	421	412	320	297	263
	Mendoza	Varón	763	734	626	563	576	466
	San Juan	Varón	1448	1104	1001	759	645	493
	San Luis	Varón	766	648	620	690	431	423
NEA	Chaco	Mujer	422	396	378	385	464	304
	Corrientes	Mujer	369	336	364	399	366	274
	Formosa	Mujer	295	400	422	358	430	428
	Misiones	Mujer	253	261	338	182	385	243
	Chaco	Varón	722	623	746	776	665	614
	Corrientes	Varón	623	652	624	596	541	416
	Formosa	Varón	805	705	753	646	734	593
	Misiones	Varón	568	581	623	562	583	393
NOA	Catamarca	Mujer	169	80	65	155	143	76
	Jujuy	Mujer	464	451	340	298	358	314
	La Rioja	Mujer	237	264	189	200	109	95
	Salta	Mujer	648	284	259	266	217	347
	Santiago	Mujer	232	241	194	255	120	112
	Tucumán	Mujer	241	194	183	218	202	102
	Catamarca	Varón	546	335	386	367	424	172
	Jujuy	Varón	1033	936	708	659	613	504
	La Rioja	Varón	691	658	427	390	380	436
	Salta	Varón	984	528	598	503	451	486
	Santiago	Varón	550	471	337	424	360	301
	Tucumán	Varón	451	425	413	426	459	283
PATAGONIA	Chubut	Mujer	417	485	251	240	296	244
	Neuquén	Mujer	460	263	329	430	614	696
	Río Negro	Mujer	166	165	172	189	148	127
	Santa Cruz	Mujer	656	177	132	273	248	297
	Tierra del Fuego	Mujer	417	664	473	376	302	383
	Chubut	Varón	915	874	612	400	601	500
	Neuquén	Varón	979	743	778	832	854	741
	Río Negro	Varón	569	544	439	451	397	330
	Santa Cruz	Varón	646	860	586	430	484	363
	Tierra del Fuego	Varón	1189	760	660	282	350	276

2.3.2.3.4 Grupo4

Ver tabla

data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Enfermedades mal definidas") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades mal definidas") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")

Enfermedades mal definidas
region	name_simp	sexo	2005-2007	2008-2010	2011-2013	2014-2016	2017-2019	2020-2022
CENTRO	Bs As	Mujer	1696	2083	2109	1228	718	687
	CABA	Mujer	158	223	194	356	722	751
	Córdoba	Mujer	967	1200	1272	1397	1597	1707
	Entre Ríos	Mujer	3292	3395	3830	3619	3503	4388
	La Pampa	Mujer	1178	1067	528	1053	1523	1255
	Santa Fe	Mujer	2336	2538	2732	2107	2509	3122
	Bs As	Varón	2002	2430	2443	1414	856	761
	CABA	Varón	220	281	209	357	831	887
	Córdoba	Varón	1302	1522	1683	1632	1990	2016
	Entre Ríos	Varón	3907	4068	4434	4370	4107	5127
	La Pampa	Varón	918	1036	371	757	1389	1212
	Santa Fe	Varón	2913	3171	3198	2453	2793	3285
CUYO	Mendoza	Mujer	1995	585	480	528	639	874
	San Juan	Mujer	362	285	360	512	642	897
	San Luis	Mujer	67	7	13	221	657	1036
	Mendoza	Varón	2105	662	595	602	710	983
	San Juan	Varón	478	346	258	544	718	942
	San Luis	Varón	71	52	28	246	672	1276
NEA	Chaco	Mujer	2484	3096	3087	3067	3242	3740
	Corrientes	Mujer	3055	2878	3095	2970	2741	3221
	Formosa	Mujer	1568	1143	1006	1036	1167	1169
	Misiones	Mujer	3192	2278	335	20	30	41
	Chaco	Varón	3413	4002	3993	3907	3764	4686
	Corrientes	Varón	3513	3686	3599	3707	3496	4078
	Formosa	Varón	1832	1448	1116	1307	1228	1395
	Misiones	Varón	3850	3293	385	17	76	46
NOA	Catamarca	Mujer	1223	1295	1384	1301	1510	1718
	Jujuy	Mujer	2522	2195	2493	2639	2386	3209
	La Rioja	Mujer	1834	2247	2342	2333	1851	4113
	Salta	Mujer	1614	1093	761	307	820	1065
	Santiago	Mujer	3194	3090	3295	3758	4053	4012
	Tucumán	Mujer	3400	2961	1111	777	596	674
	Catamarca	Varón	1917	1594	1339	1361	2092	1617
	Jujuy	Varón	2807	3120	3401	3302	3054	4083
	La Rioja	Varón	2765	2992	2365	3079	2162	4653
	Salta	Varón	1981	1297	935	383	964	1337
	Santiago	Varón	4340	4385	3861	4724	4839	4828
	Tucumán	Varón	4052	3465	1469	925	791	836
PATAGONIA	Chubut	Mujer	1318	1301	251	394	1216	2409
	Neuquén	Mujer	295	325	336	323	245	464
	Río Negro	Mujer	2080	2148	2602	2276	2337	1822
	Santa Cruz	Mujer	1023	1663	1486	1732	895	95
	Tierra del Fuego	Mujer	1085	399	525	543	369	602
	Chubut	Varón	1567	1598	328	432	1481	2698
	Neuquén	Varón	444	444	272	341	390	431
	Río Negro	Varón	2601	2569	2844	2501	2561	2211
	Santa Cruz	Varón	862	1425	2439	2048	718	110
	Tierra del Fuego	Varón	1784	380	807	507	263	726

2.3.3 Evolucion de la razon

Si bien se trata de una seri compuesta por observaciones puntuales de trienios, pueden observarse en su evolucion en el tiempo. Ya que el primer punto de la serie, es de cuatro y no tres años se elimina de la serie graficada, para evitar sesgos. Mientras que el ultimo tirenio debe ser tomado con cautela ya que se trata de un periodo excepcional por la Pandemia Covid19

# La serie de años : 
unique(data_mort_prov$Años)

## [1] "2001-2004" "2005-2007" "2008-2010" "2011-2013" "2014-2016" "2017-2019"
## [7] "2020-2022"

2.3.3.1 Menor de 24

2.3.3.1.1 Estatico

anios <- c(2006, 2009, 2012, 2015, 2018, 2021)
anios_label <- c("2005-2007", "2008-2010", "2011-2013", "2014-2016", "2017-2019", "2020-2022")
data_mort_prov |> 
  filter(gedad=="Menor de 24", anio != 2003) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad"
  )

2.3.3.1.2 Dinamico

plotly::ggplotly(
  
data_mort_prov |> 
  filter(gedad=="Menor de 24", anio != 2003) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0, size = 6),
    strip.text = element_text(size = 7.5),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.key = element_rect(size = 1),
    legend.text = element_text(size = 5)
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad"
  ),
height = 1000,
width = 800
)

2.3.3.2 De 25 a 69

2.3.3.2.1 Estatico

data_mort_prov |> 
  filter(gedad=="25 a 69", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  )

2.3.3.2.2 Dinamico

plotly::ggplotly(
  data_mort_prov |> 
  filter(gedad=="25 a 69", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0, size = 6),
    strip.text = element_text(size = 7.5),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.key = element_rect(size = 1),
    legend.text = element_text(size = 5)
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  ),
  height = 1000,
  width = 500
)

2.3.3.3 De Mayores de 70

2.3.3.3.1 Estatico

data_mort_prov |> 
  filter(gedad=="70 y mas", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  )

2.3.3.3.2 Dinamico

plotly::ggplotly(
  
data_mort_prov |> 
  filter(gedad=="70 y mas", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  ),
height = 1000,
width = 800
)

La mortalidad en el grupo de 70 años y mas se muestra mas homogenea que el resto.

Ver tabla

data_mort_prov |> 
  filter(gedad=="70 y mas", anio == 2018) |> 
  select(sexo, grupo_oms, region, name_simp, ici_rmxm, rmxm, ics_rmxm) |> 
  arrange(sexo, grupo_oms, region, name_simp) |> 
  kableExtra::kbl() |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:3, valign = "top")

sexo	grupo_oms	region	name_simp	ici_rmxm	rmxm	ics_rmxm
Mujer	Condiciones transmisibles, maternas, perinatales y nutricionales	CENTRO	Bs As	3196.6	3235	3273.9
			CABA	3621.0	3697	3774.5
			Córdoba	2166.9	2234	2302.6
			Entre Ríos	2024.5	2135	2250.0
			La Pampa	2412.8	2648	2899.4
			Santa Fe	2835.3	2913	2991.7
		CUYO	Mendoza	1868.7	1958	2050.5
			San Juan	3565.8	3780	4004.2
			San Luis	2551.7	2783	3029.0
		NEA	Chaco	3537.0	3738	3946.6
			Corrientes	2358.8	2511	2670.3
			Formosa	3093.4	3358	3639.8
			Misiones	2579.7	2755	2939.4
		NOA	Catamarca	2602.6	2870	3157.3
			Jujuy	3387.4	3615	3854.0
			La Rioja	2612.7	2911	3235.0
			Salta	2885.6	3048	3216.8
			Santiago	2587.6	2765	2952.0
			Tucumán	4046.8	4208	4374.0
		PATAGONIA	Chubut	2281.7	2498	2729.8
			Neuquén	1705.8	1890	2088.4
			Río Negro	1921.7	2088	2265.6
			Santa Cruz	2295.0	2657	3059.0
			Tierra del Fuego	1246.2	1679	2213.5
	Enfermedades mal definidas	CENTRO	Bs As	699.9	718	736.4
			CABA	689.0	722	757.1
			Córdoba	1540.7	1597	1655.6
			Entre Ríos	3360.9	3503	3649.2
			La Pampa	1345.9	1523	1716.4
			Santa Fe	2436.7	2509	2582.0
		CUYO	Mendoza	588.4	639	692.7
			San Juan	555.5	642	738.2
			San Luis	547.0	657	781.8
		NEA	Chaco	3055.7	3242	3437.4
			Corrientes	2582.0	2741	2907.3
			Formosa	1012.7	1167	1337.3
			Misiones	14.4	30	55.3
		NOA	Catamarca	1317.7	1510	1722.0
			Jujuy	2201.4	2386	2581.2
			La Rioja	1614.7	1851	2112.7
			Salta	736.6	820	909.6
			Santiago	3836.9	4053	4277.5
			Tucumán	536.8	596	661.0
		PATAGONIA	Chubut	1066.3	1216	1380.6
			Neuquén	182.2	245	323.6
			Río Negro	2160.7	2337	2524.3
			Santa Cruz	690.5	895	1140.4
			Tierra del Fuego	184.4	369	660.9
	Enfermedades no transmisibles	CENTRO	Bs As	13086.4	13164	13242.2
			CABA	12717.2	12860	13003.1
			Córdoba	13608.1	13775	13944.3
			Entre Ríos	10547.0	10797	11052.1
			La Pampa	10243.2	10722	11216.5
			Santa Fe	12214.8	12375	12536.7
		CUYO	Mendoza	13287.7	13524	13763.6
			San Juan	11903.1	12292	12690.9
			San Luis	12210.3	12710	13224.4
		NEA	Chaco	10832.2	11181	11538.5
			Corrientes	9766.4	10073	10387.7
			Formosa	10724.5	11213	11718.1
			Misiones	13048.3	13439	13839.0
		NOA	Catamarca	11164.4	11711	12277.6
			Jujuy	8150.8	8502	8864.3
			La Rioja	11056.8	11663	12293.3
Salta			11167.9	11485	11808.6
Santiago			9216.7	9550	9891.3
Tucumán			11509.5	11780	12055.7
PATAGONIA		Chubut	10354.5	10810	11280.9
		Neuquén	11093.0	11555	12031.5
		Río Negro	10504.1	10889	11284.6
		Santa Cruz	11698.5	12498	13338.4
		Tierra del Fuego	8839.4	9940	11138.8
Lesiones	CENTRO	Bs As	244.1	255	265.9
		CABA	142.5	158	174.6
		Córdoba	206.7	228	250.5
		Entre Ríos	219.4	257	298.6
		La Pampa	105.7	159	229.9
		Santa Fe	387.2	416	446.6
	CUYO	Mendoza	393.5	435	479.7
		San Juan	300.5	365	439.2
		San Luis	225.0	297	384.8
	NEA	Chaco	394.8	464	541.0
		Corrientes	309.5	366	430.1
		Formosa	339.1	430	538.7
		Misiones	320.8	385	457.3
	NOA	Catamarca	88.4	143	218.3
		Jujuy	289.3	358	439.1
		La Rioja	58.2	109	187.1
		Salta	175.4	217	265.6
		Santiago	85.2	120	163.8
		Tucumán	167.5	202	240.5
	PATAGONIA	Chubut	225.0	296	383.1
		Neuquén	510.7	614	731.1
		Río Negro	106.1	148	200.6
		Santa Cruz	146.8	248	391.6
		Tierra del Fuego	138.2	302	573.7
Varón	Condiciones transmisibles, maternas, perinatales y nutricionales	CENTRO	Bs As	3808.2	3861	3914.0
			CABA	4335.1	4448	4562.6
			Córdoba	2545.3	2637	2730.2
			Entre Ríos	2310.0	2459	2615.3
			La Pampa	3096.7	3416	3760.2
			Santa Fe	3248.1	3354	3462.5
		CUYO	Mendoza	2015.6	2129	2246.7
			San Juan	3598.7	3863	4142.1
			San Luis	2954.2	3249	3565.5
		NEA	Chaco	4753.1	5034	5327.8
			Corrientes	2791.6	2990	3198.3
			Formosa	3535.5	3852	4188.9
			Misiones	3242.9	3464	3697.2
		NOA	Catamarca	2783.8	3114	3473.0
			Jujuy	4148.3	4445	4757.1
			La Rioja	3329.3	3731	4166.8
			Salta	3812.3	4029	4254.3
			Santiago	2812.0	3029	3257.8
			Tucumán	4841.8	5057	5279.8
		PATAGONIA	Chubut	2987.3	3277	3587.7
			Neuquén	1486.3	1689	1911.1
			Río Negro	2331.6	2546	2774.8
			Santa Cruz	2891.2	3355	3871.7
			Tierra del Fuego	1662.6	2233	2935.9
	Enfermedades mal definidas	CENTRO	Bs As	831.1	856	881.0
			CABA	783.0	831	881.8
			Córdoba	1910.4	1990	2071.2
			Entre Ríos	3914.0	4107	4307.9
			La Pampa	1188.4	1389	1614.7
			Santa Fe	2696.7	2793	2892.4
		CUYO	Mendoza	645.4	710	779.6
			San Juan	606.6	718	843.8
			San Luis	541.5	672	823.8
		NEA	Chaco	3521.5	3764	4019.0
			Corrientes	3281.1	3496	3720.7
			Formosa	1051.9	1228	1424.1
			Misiones	46.6	76	117.7
		NOA	Catamarca	1823.0	2092	2389.8
			Jujuy	2808.9	3054	3314.5
			La Rioja	1859.5	2162	2500.3
			Salta	860.0	964	1078.0
			Santiago	4563.5	4839	5125.8
			Tucumán	707.0	791	881.8
		PATAGONIA	Chubut	1288.7	1481	1694.8
			Neuquén	296.3	390	504.5
			Río Negro	2345.7	2561	2790.1
			Santa Cruz	512.7	718	977.2
			Tierra del Fuego	96.4	263	571.8
	Enfermedades no transmisibles	CENTRO	Bs As	17001.5	17112	17223.9
			CABA	15280.3	15491	15704.2
			Córdoba	17821.3	18062	18304.1
			Entre Ríos	14549.0	14920	15297.4
			La Pampa	14383.4	15063	15767.1
			Santa Fe	16187.9	16423	16661.2
		CUYO	Mendoza	17318.2	17647	17980.6
			San Juan	16796.5	17363	17943.0
			San Luis	16958.0	17655	18372.8
		NEA	Chaco	15841.9	16352	16874.2
			Corrientes	12829.5	13251	13681.9
			Formosa	14008.4	14631	15274.9
			Misiones	17107.7	17612	18127.1
		NOA	Catamarca	14002.5	14732	15489.6
			Jujuy	10577.8	11048	11534.4
			La Rioja	14743.8	15576	16442.1
Salta			14629.9	15051	15481.2
Santiago			11916.1	12358	12812.3
Tucumán			15679.2	16065	16457.9
PATAGONIA		Chubut	14319.8	14947	15593.7
		Neuquén	15850.8	16497	17163.5
		Río Negro	14753.7	15286	15832.1
		Santa Cruz	15559.9	16613	17718.3
		Tierra del Fuego	12393.2	13879	15494.2
Lesiones	CENTRO	Bs As	381.9	399	416.0
		CABA	241.4	269	297.9
		Córdoba	370.6	406	443.7
		Entre Ríos	364.2	425	492.6
		La Pampa	367.1	482	622.0
		Santa Fe	539.2	583	629.1
	CUYO	Mendoza	518.3	576	639.4
		San Juan	539.4	645	764.5
		San Luis	327.9	431	555.7
	NEA	Chaco	564.9	665	776.6
		Corrientes	459.0	541	634.2
		Formosa	599.5	734	889.0
		Misiones	494.4	583	683.2
	NOA	Catamarca	308.2	424	569.5
		Jujuy	506.0	613	735.7
		La Rioja	260.0	380	536.7
		Salta	380.7	451	530.8
		Santiago	288.2	360	444.9
		Tucumán	395.6	459	529.3
	PATAGONIA	Chubut	480.7	601	742.2
		Neuquén	712.3	854	1016.7
		Río Negro	315.6	397	493.9
		Santa Cruz	319.2	484	704.8
		Tierra del Fuego	151.2	350	690.2

2.4 Distribucion por Provincias 2017-2019

Luego de analizar la serie, se analiza el ultimo trienio 2017-2019, antes de la Pandemia. Se observan importantes diferencias entre provincias en el nivel de casos, como es de esperar y de la razon de mortalidad del trienio, segun causas.
Se grafican en barras de mayor a menor, consignando el numero de casos, y la razon de mortalidad del trienio. Se colorean en 4 grupos segun el nivel de la razon de mortalidad en cuasi cuartiles.
Otra alternativa es el uso de mapas de coropletas que se emplean al final.

2.4.0.1 Ranking

Dada la distribucion provincial de la Razon de mortalidad del tirenio, por edad, sexo y causa, se puede calcular un nuevo registro igual al promedio de casos y razon, y determinar los que estan por encima y por debajo del promedio. Sin embargo este indicador se ve sensiblemente afectado por los valores extremos.
La alternativa analitica, es la construccion de un ranking, ordenando de mayor a menor la razon segun sexo y causa para cada grupo de edad por provincias, y distribuyendo los registros (provincias) en cuatro (similar a cuartiles) grandes grupos homogeneos, observar los extremos y variaciones.

# calculo del promedio de las provincias de 2018
vars_agg_mean <- c("grupo_oms", "gedad", "sexo")
data_mort_prov |> 
  filter(anio == 2018) |> 
  select(geocodigo_prov, name_simp, grupo_oms, gedad, sexo, casos, rmxm) |> 
  group_by_at(vars_agg_mean) |> 
  summarise(
    mean_casos = as.integer(mean(casos, na.rm=TRUE)),
    mean_rmxm = as.integer(mean(rmxm, na.rm=TRUE))
  ) |> 
  mutate(
    name_simp = "Promedio"
  ) |> 
  rename(
    casos = mean_casos,
    rmxm = mean_rmxm
  ) |> 
  relocate(name_simp) |> 
  ungroup()-> prom_2018

Se crea un subset de datos para el trienio 2017-2019

# Clasificacion en cuartiles

data_mort_prov |> 
  filter(anio == 2018) |> 
  select(name_simp, grupo_oms, gedad, sexo, casos, rmxm) |> 
  bind_rows(prom_2018)-> subset_data_mort_2018

glimpse(subset_data_mort_2018)

## Rows: 599
## Columns: 6
## $ name_simp <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Córdoba…
## $ grupo_oms <chr> "Condiciones transmisibles, maternas, perinatales y nutricio…
## $ gedad     <ord> Menor de 24, Menor de 24, Menor de 24, Menor de 24, Menor de…
## $ sexo      <chr> "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Mujer…
## $ casos     <int> 58, 9, 84, 47, 379, 88, 520, 231, 244, 31, 204, 89, 208, 9, …
## $ rmxm      <dbl> 69, 11, 99, 56, 55, 13, 76, 34, 100, 13, 84, 37, 48, 2, 73, …

# Calcular cuartiles
quantiles <- quantile(subset_data_mort_2018$rmxm, probs = c(0, 0.25, 0.5, 0.75, 1))

# Classify into quantiles using mutate and cut
subset_data_mort_2018 |> 
  group_by(gedad, sexo, grupo_oms) |> 
  mutate(cuartil = cut(rmxm, breaks = quantiles, include.lowest = TRUE, labels = c("Q1", "Q2", "Q3", "Q4")),
         cuart_g = ntile(rmxm, 4)) -> subset_data_mort_2018
unique(subset_data_mort_2018$grupo_oms)

## [1] "Condiciones transmisibles, maternas, perinatales y nutricionales"
## [2] "Enfermedades mal definidas"                                      
## [3] "Enfermedades no transmisibles"                                   
## [4] "Lesiones"

subset_data_mort_2018 |> 
  mutate(
    grupo_oms = if_else(
      grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
      "Cond. transmisibles, m,p,n",
      grupo_oms
    )  )->subset_data_mort_2018

2.4.0.1.1 Edades jovenes Menores de 24 años

subset_data_mort_2018 |> 
  filter(gedad == "Menor de 24") |> 
  ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
  scale_x_reordered() +
  geom_col(position = "stack", width = 0.9, alpha = .6)+
  # geom_text(color="white", size=3, hjust = 1)+
  geom_text(aes(label = paste0("n:", casos, " | ", rmxm)), 
            position = position_stack(vjust = .5), size = 2.5, color="grey3")+
  scale_fill_distiller(palette = "Reds", type = "seq", direction = 1)+
  coord_flip()+
  facet_wrap(~sexo+grupo_oms, scales="free", ncol=4)+
  theme(
    legend.position = "None",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    panel.background = element_blank(),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    x = "Provincias",
    y = "Razon de mortalidad (x 100.000)",
    subtitle = "Menor de 24"  
  )

2.4.0.1.2 Edades centrales de 25 a 69 años

subset_data_mort_2018 |> 
  filter(gedad == "25 a 69") |> 
  ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
  scale_x_reordered() +
  geom_col(position = "stack", width = 0.9, alpha = .6)+
  # geom_text(color="white", size=3, hjust = 1)+
  geom_text(aes(label = paste0("n:", casos, " | ", rmxm)), 
            position = position_stack(vjust = .5), size = 2.5, color="grey3")+
  scale_fill_distiller(palette = "Reds", type = "seq", direction = 1)+
  coord_flip()+
  facet_wrap(~sexo+grupo_oms, scales="free", ncol=4)+
  theme(
    legend.position = "None",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    panel.background = element_blank(),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    x = "Provincias",
    y = "Razon de mortalidad (x 100.000)",
    subtitle = "25 a 69 años"  
  )

2.4.0.1.3 Edades mayores de 70 años y mas

subset_data_mort_2018 |> 
  filter(gedad == "70 y mas") |> 
  ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
  scale_x_reordered() +
  geom_col(position = "stack", width = 0.9, alpha = .6)+
  # geom_text(color="white", size=3, hjust = 1)+
  geom_text(aes(label = paste0("n:", casos, " | ", rmxm)), 
            position = position_stack(vjust = .5), size = 2.5, color="grey3")+
  scale_fill_distiller(palette = "Reds", type = "seq", direction = 1)+
  coord_flip()+
  facet_wrap(~sexo+grupo_oms, scales="free", ncol=4)+
  theme(
    legend.position = "None",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    panel.background = element_blank(),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    x = "Provincias",
    y = "Razon de mortalidad (x 100.000)",
    subtitle = "70 años y mas"  
  )

2.5 Los extremos

Un metodo analitico descriptivo podria ser observar los extremos, extrayendo los valores maximos y minimos por causa, para cada grupo de edad y sexo. Luego estimar la media y dispersion de la razon entre los valores de cada trienio y estimar si hubo un aumento o descenso de la dispersion. (En capitulo aparte se estimo la tendencia mediante dos tecnicas: regresion lineal y Mandel-Kendall )

Se extraen valores maximos, minimos, y medidas de tendencia central y dispersion:

vars_agg_serie <- c("anio", "grupo_oms", "gedad" ,    "sexo" )

data_mort_prov |>
  group_by_at(vars_agg_serie) |> 
  slice_max(rmxm, n=1) |> 
  mutate(
    val = "max"
  ) |> 
  ungroup()-> data_mort_max

data_mort_prov |>
  group_by_at(vars_agg_serie) |> 
  slice_min(rmxm, n=1) |> 
  mutate(
    val = "min"
  ) |> 
  ungroup() -> data_mort_min

serie_min_max <- bind_rows(data_mort_min, data_mort_max)
glimpse(serie_min_max)

## Rows: 361
## Columns: 16
## $ anio           <dbl> 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2…
## $ Años           <chr> "2001-2004", "2001-2004", "2001-2004", "2001-2004", "20…
## $ gedad          <ord> Menor de 24, Menor de 24, 25 a 69, 25 a 69, 70 y mas, 7…
## $ sexo           <chr> "Mujer", "Varón", "Mujer", "Varón", "Mujer", "Varón", "…
## $ geocodigo_prov <chr> "94", "94", "58", "94", "30", "14", "26", "58", "70", "…
## $ grupo_oms      <chr> "Condiciones transmisibles, maternas, perinatales y nut…
## $ casos          <int> 20, 22, 75, 27, 788, 2044, 1, 1, 1, 4, 3, 57, 127, 22, …
## $ region         <chr> "PATAGONIA", "PATAGONIA", "PATAGONIA", "PATAGONIA", "CE…
## $ label          <chr> "Tierra del Fuego, Antártida e Islas del Atlántico Sur"…
## $ name_simp      <chr> "Tierra del Fuego", "Tierra del Fuego", "Neuquén", "Tie…
## $ pob            <dbl> 25482, 26083, 116721, 27164, 43126, 81602, 102993, 1182…
## $ rm             <dbl> 0.0007849, 0.0008435, 0.0006426, 0.0009940, 0.0182720, …
## $ rmxm           <dbl> 78, 84, 64, 99, 1827, 2505, 1, 1, 1, 3, 12, 41, 710, 77…
## $ ici_rmxm       <dbl> 47.9, 52.9, 50.5, 65.5, 1701.8, 2397.4, 0.0, 0.0, 0.0, …
## $ ics_rmxm       <dbl> 121.2, 127.7, 80.5, 144.6, 1959.4, 2615.8, 5.4, 4.7, 3.…
## $ val            <chr> "min", "min", "min", "min", "min", "min", "min", "min",…

# segmentos

serie_min_max |> 
  distinct(anio, grupo_oms, sexo, gedad, val, rmxm) |> 
   pivot_wider(
    names_from = val,
    values_from = rmxm
  ) -> segmentos

En el grafico que sigue se puede observar en un area el rango, o la brecha, entre los valores maximos y minimos registrados por las provincias por sexo, segun grupo de causas y edad.

segmentos |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  ggplot()+
  geom_ribbon(aes(anio, ymin = min, ymax = max, fill = sexo), alpha=.5)+
  scale_fill_brewer(palette = "Pastel2", direction = -1)+
  geom_line(aes(anio, min, group = sexo), color="skyblue")+
  geom_line(aes(anio, max, group = sexo), color="grey30")+
  # scale_y_log10()+
  facet_wrap(~grupo_oms+gedad, scales="free", ncol=3)+
  theme(
    legend.position = "top",
    strip.text = element_text(),
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
  )+
  labs(
    y = "Razon mortalidad x100.000",
    x = "Años",
    title = "Evolucion de la brecha Max-Min Razon de Mortalidad entre provincias",
    subtitle = "Evolucion de extremos, en grupos de edad segun causa, por sexo"
  )

Asi como se observa el rango, este puede expresarse como la evolucion de la media de los valores provinciales segun sexo, para cada grupo de causas y edades, mas / menos la variacion estandar (en barras)

var_agg_summ <- c("anio", "gedad", "sexo", "grupo_oms")
data_mort_prov |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  group_by_at(var_agg_summ) |> 
  summarise(
    mean = mean(rmxm),
    sd = sd(rmxm),
    lr = mean - sd,
    hr = mean + sd
  ) |> 
  ggplot(aes(anio, mean, colour = sexo))+
  geom_errorbar(aes(ymin = lr, ymax = hr), width = 1) +
  geom_line()+
  geom_point(size = 1.5)+
  scale_y_log10()+
  scale_color_brewer(palette = "Pastel2", direction = -1)+
  facet_wrap(~grupo_oms+gedad, scales= "free_y", ncol=3)+
  theme(
    legend.position = "top",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    y = "Log. Razon de Mortalidad x100.000 Media y DesvS.",
    x = "Años",
    title = "Evolucion de Mu y SD de la Razon de Mortalidad de las provincias",
    subtitle = "Media y SD en escala Log, en grupos de edad segun causa, por sexo")

2.6 Tabla de Rangos

Lo que se observa al analizar los valores extremos en la Razon de Mortalidad por trienios en las provincias, es que no se redujo la brecha o distancia entre los valores maximos y minimos de la serie, excepto en mujeres de 0 a 24 años por causas debidas a Enfermedades infecciosas, maternas y perinatales.

Al observa la evolucion del rango entre extremos, se observa ademas que los extremos altos se mantienen o reducen levemente, por lo que las reducciones en la brecha se explican por aumentos en los minimos.

2.6.1 Mujeres

Ver tabla

data_mort_prov |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  group_by_at(var_agg_summ) |> 
  summarise(
    mean = round(mean(rmxm),1),
    sd = round(sd(rmxm),2),
    cv = scales::percent(sd/mean, accuracy = .1),
    lr = mean - sd,
    hr = mean + sd
  ) |> 
  ungroup() |> 
  filter(sexo == "Mujer") |> 
  select(grupo_oms, gedad, anio, lr, mean, hr, cv, sd) |> 
  arrange(grupo_oms, gedad, anio) |> 
  kableExtra::kbl(caption = "Evolucion de la Razon de Mortalidad, media y desvio (Mujeres)") |> 
  kableExtra::kable_styling() |> 
  kableExtra::column_spec(1:2, bold = T) |> 
  kableExtra::collapse_rows(columns = 1:2, valign = "top") |> 
  kableExtra::footnote(general = "Elaboracion propia con datos de DEIS y OMS")

Evolucion de la Razon de Mortalidad, media y desvio (Mujeres)
grupo_oms	gedad	anio	lr	mean	hr	cv	sd
Cond. transmisibles, m,p,n	Menor de 24	2006	65.44	108.5	151.56	39.7%	43.06
		2009	69.52	105.3	141.08	34.0%	35.78
		2012	58.56	92.8	127.04	36.9%	34.24
		2015	55.50	82.3	109.10	32.6%	26.80
		2018	45.95	69.5	93.05	33.9%	23.55
		2021	34.55	58.5	82.45	40.9%	23.95
	25 a 69	2006	73.55	106.0	138.45	30.6%	32.45
		2009	73.54	109.8	146.06	33.0%	36.26
		2012	72.82	109.1	145.38	33.3%	36.28
		2015	77.37	114.1	150.83	32.2%	36.73
		2018	70.80	106.5	142.20	33.5%	35.70
		2021	236.03	307.0	377.97	23.1%	70.97
	70 y mas	2006	1817.58	2505.5	3193.42	27.5%	687.92
		2009	1861.26	2527.5	3193.74	26.4%	666.24
		2012	2053.42	2669.2	3284.98	23.1%	615.78
		2015	2083.60	2864.5	3645.40	27.3%	780.90
		2018	2168.10	2832.2	3496.30	23.4%	664.10
		2021	3920.95	4705.9	5490.85	16.7%	784.95
Enfermedades mal definidas	Menor de 24	2006	3.89	9.5	15.11	59.1%	5.61
		2009	3.07	8.7	14.33	64.7%	5.63
		2012	2.47	7.5	12.53	67.1%	5.03
		2015	1.70	7.4	13.10	77.0%	5.70
		2018	2.49	6.3	10.11	60.5%	3.81
		2021	3.20	7.2	11.20	55.6%	4.00
	25 a 69	2006	18.24	61.2	104.16	70.2%	42.96
		2009	18.52	62.4	106.28	70.3%	43.88
		2012	10.35	58.7	107.05	82.4%	48.35
		2015	5.08	53.8	102.52	90.6%	48.72
		2018	13.19	55.8	98.41	76.4%	42.61
		2021	15.18	65.7	116.22	76.9%	50.52
	70 y mas	2006	716.10	1747.4	2778.70	59.0%	1031.30
		2009	600.55	1645.6	2690.65	63.5%	1045.05
		2012	306.12	1484.5	2662.88	79.4%	1178.38
		2015	291.67	1437.4	2583.13	79.7%	1145.73
		2018	395.37	1498.7	2602.03	73.6%	1103.33
		2021	424.69	1794.6	3164.51	76.3%	1369.91
Enfermedades no transmisibles	Menor de 24	2006	82.74	97.5	112.26	15.1%	14.76
		2009	76.18	93.5	110.82	18.5%	17.32
		2012	70.28	87.8	105.32	20.0%	17.52
		2015	67.57	87.5	107.43	22.8%	19.93
		2018	64.47	79.8	95.13	19.2%	15.33
		2021	48.20	64.2	80.20	24.9%	16.00
	25 a 69	2006	713.23	802.4	891.57	11.1%	89.17
		2009	700.80	794.5	888.20	11.8%	93.70
		2012	685.13	778.9	872.67	12.0%	93.77
		2015	678.73	774.5	870.27	12.4%	95.77
		2018	659.31	750.3	841.29	12.1%	90.99
		2021	634.03	728.4	822.77	13.0%	94.37
	70 y mas	2006	11588.01	13196.7	14805.39	12.2%	1608.69
		2009	10924.59	12546.7	14168.81	12.9%	1622.11
		2012	10484.33	12206.3	13928.27	14.1%	1721.97
		2015	10557.19	12166.8	13776.41	13.2%	1609.61
		2018	10272.82	11604.5	12936.18	11.5%	1331.68
		2021	9855.08	11385.0	12914.92	13.4%	1529.92
Lesiones	Menor de 24	2006	36.75	48.8	60.85	24.7%	12.05
		2009	37.87	48.2	58.53	21.4%	10.33
		2012	36.36	48.8	61.24	25.5%	12.44
		2015	31.45	43.2	54.95	27.2%	11.75
		2018	29.10	41.1	53.10	29.2%	12.00
		2021	24.49	34.5	44.51	29.0%	10.01
	25 a 69	2006	54.48	66.2	77.92	17.7%	11.72
		2009	50.35	64.9	79.45	22.4%	14.55
		2012	52.39	64.2	76.01	18.4%	11.81
		2015	48.00	57.3	66.60	16.2%	9.30
		2018	44.04	54.0	63.96	18.4%	9.96
		2021	32.77	45.2	57.63	27.5%	12.43
	70 y mas	2006	221.33	391.9	562.47	43.5%	170.57
		2009	175.05	334.8	494.55	47.7%	159.75
		2012	160.78	299.8	438.82	46.4%	139.02
		2015	185.63	303.5	421.37	38.8%	117.87
		2018	162.63	290.5	418.37	44.0%	127.87
		2021	127.78	267.0	406.22	52.1%	139.22
Note:
Elaboracion propia con datos de DEIS y OMS

2.6.2 Varones

Ver tabla

data_mort_prov |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  group_by_at(var_agg_summ) |> 
  summarise(
    mean = round(mean(rmxm),1),
    sd = round(sd(rmxm),2),
    cv = scales::percent(sd/mean, accuracy = .1),
    lr = mean - sd,
    hr = mean + sd
  ) |> 
  ungroup() |> 
  filter(sexo == "Varón") |> 
  select(grupo_oms, gedad, anio, lr, mean, hr, cv, sd) |> 
  arrange(grupo_oms, gedad, anio) |> 
  kableExtra::kbl(caption = "Evolucion de la Razon de Mortalidad, media y desvio (Varón)") |> 
  kableExtra::kable_styling() |> 
  kableExtra::column_spec(1:2, bold = T) |> 
  kableExtra::collapse_rows(columns = 1:2, valign = "top") |> 
  kableExtra::footnote(general = "Elaboracion propia con datos de DEIS y OMS")

Evolucion de la Razon de Mortalidad, media y desvio (Varón)
grupo_oms	gedad	anio	lr	mean	hr	cv	sd
Cond. transmisibles, m,p,n	Menor de 24	2006	91.28	134.9	178.52	32.3%	43.62
		2009	88.80	128.8	168.80	31.1%	40.00
		2012	75.19	111.5	147.81	32.6%	36.31
		2015	77.61	105.5	133.39	26.4%	27.89
		2018	57.29	86.1	114.91	33.5%	28.81
		2021	42.59	71.9	101.21	40.8%	29.31
	25 a 69	2006	105.59	161.8	218.01	34.7%	56.21
		2009	121.82	176.1	230.38	30.8%	54.28
		2012	123.77	176.9	230.03	30.0%	53.13
		2015	128.94	179.4	229.86	28.1%	50.46
		2018	114.90	167.8	220.70	31.5%	52.90
		2021	436.78	544.6	652.42	19.8%	107.82
	70 y mas	2006	2227.89	3071.6	3915.31	27.5%	843.71
		2009	2266.45	3066.8	3867.15	26.1%	800.35
		2012	2499.14	3249.4	3999.66	23.1%	750.26
		2015	2630.82	3497.9	4364.98	24.8%	867.08
		2018	2519.29	3385.9	4252.51	25.6%	866.61
		2021	5515.54	6744.4	7973.26	18.2%	1228.86
Enfermedades mal definidas	Menor de 24	2006	4.11	12.8	21.49	67.9%	8.69
		2009	4.05	12.3	20.55	67.1%	8.25
		2012	2.63	11.3	19.97	76.7%	8.67
		2015	2.15	9.6	17.05	77.6%	7.45
		2018	4.27	10.5	16.73	59.3%	6.23
		2021	2.98	10.0	17.02	70.2%	7.02
	25 a 69	2006	52.65	146.2	239.75	64.0%	93.55
		2009	41.71	140.5	239.29	70.3%	98.79
		2012	21.14	127.0	232.86	83.4%	105.86
		2015	12.74	119.0	225.26	89.3%	106.26
		2018	24.26	119.7	215.14	79.7%	95.44
		2021	34.18	138.3	242.42	75.3%	104.12
	70 y mas	2006	870.33	2151.8	3433.27	59.6%	1281.47
		2009	675.66	2052.8	3429.94	67.1%	1377.14
		2012	343.07	1765.5	3187.93	80.6%	1422.43
		2015	249.38	1704.8	3160.22	85.4%	1455.42
		2018	414.42	1747.7	3080.98	76.3%	1333.28
		2021	444.02	2092.7	3741.38	78.8%	1648.68
Enfermedades no transmisibles	Menor de 24	2006	95.01	114.3	133.59	16.9%	19.29
		2009	96.58	114.6	132.62	15.7%	18.02
		2012	88.78	108.7	128.62	18.3%	19.92
		2015	89.34	108.8	128.26	17.9%	19.46
		2018	75.01	94.1	113.19	20.3%	19.09
		2021	63.05	79.8	96.55	21.0%	16.75
	25 a 69	2006	1163.39	1352.4	1541.41	14.0%	189.01
		2009	1165.04	1305.2	1445.36	10.7%	140.16
		2012	1131.94	1273.7	1415.46	11.1%	141.76
		2015	1105.06	1257.6	1410.14	12.1%	152.54
		2018	1055.37	1191.5	1327.63	11.4%	136.13
		2021	966.51	1119.4	1272.29	13.7%	152.89
	70 y mas	2006	16035.43	18480.6	20925.77	13.2%	2445.17
		2009	15635.61	17468.3	19300.99	10.5%	1832.69
		2012	14875.67	16751.2	18626.73	11.2%	1875.53
		2015	14477.25	16471.9	18466.55	12.1%	1994.65
		2018	13821.36	15568.1	17314.84	11.2%	1746.74
		2021	12766.72	14821.5	16876.28	13.9%	2054.78
Lesiones	Menor de 24	2006	117.47	136.6	155.73	14.0%	19.13
		2009	118.81	140.9	162.99	15.7%	22.09
		2012	128.42	157.1	185.78	18.3%	28.68
		2015	116.21	146.6	176.99	20.7%	30.39
		2018	97.21	131.7	166.19	26.2%	34.49
		2021	79.33	104.6	129.87	24.2%	25.27
	25 a 69	2006	229.96	277.6	325.24	17.2%	47.64
		2009	235.98	279.7	323.42	15.6%	43.72
		2012	230.42	284.0	337.58	18.9%	53.58
		2015	206.77	255.9	305.03	19.2%	49.13
		2018	191.01	235.3	279.59	18.8%	44.29
		2021	161.10	204.5	247.90	21.2%	43.40
	70 y mas	2006	514.11	759.1	1004.09	32.3%	244.99
		2009	455.01	639.8	824.59	28.9%	184.79
		2012	416.91	578.0	739.09	27.9%	161.09
		2015	372.93	528.0	683.07	29.4%	155.07
		2018	367.60	504.7	641.80	27.2%	137.10
		2021	292.70	418.2	543.70	30.0%	125.50
Note:
Elaboracion propia con datos de DEIS y OMS

2.7 Comparacion

Al observar el rango se puede determinar que es necesario a los fines de comparar, determinar si la diferencia es estadisticamente significativa. Se puede utilizar para ello un rango determinado por un intervalo de confianza de 95% y en la comparacion punta a punta, determinar el ranking de provincias, y si entre estas y en los extremos de la serie, hubo variacion.
Si los segmentos (la linea que atraviesa el punto) se solapan, puede decirse que la razon de mortalidad se ha mantenido. Asi tambien que si la medicion puntual de la razon entre dos provincias es diferente, pero la medida de ambas “cae” dentro del rango de la otra, podria decirse que no existe una diferencia significativa.

Esta manera de observar los valores tiene larga tradicion es estudios en el campo de la salud, pero en este caso es util para matizar comparaciones apresuradas, sobre todo lidiando con poblaciones pequeñas y razones (o tasas) con valores extremos.

Se compara por sexos

2.7.1 Varones

# ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
#   scale_x_reordered() +
data_mort_prov |>
  filter(sexo == "Varón", anio %in% c(2006, 2018)) |> 
  ggplot()+
  # geom_point(aes(name_simp, rmxm))+
  geom_linerange(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, ymin = ici_rmxm, ymax = ics_rmxm, colour = as.character(anio)))+
  geom_point(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, colour = as.character(anio)))+
  scale_color_manual(values = c("grey80", "black"), labels = c("2005-2007", "2017-2019"))+
  scale_x_reordered()+
  facet_wrap(~gedad+grupo_oms, scales="free", ncol=4)+
  theme(
    strip.text = element_text(size = 8, margin = margin()),
    axis.text.y = element_text(size = 8, colour = "grey20"),
    panel.background = element_rect(),
    axis.text.x = element_text(angle = 45, size=7.5, colour = "grey20", hjust = 1)
  )+
  coord_flip()+
  labs(
    title = "Mortalidad especifica segun edad y causa de varones por provincias",
    subtitle = "punta-a-punta",
    y="Razon de mortalidad x100.000 IC 95%",
    x="",
    colour ="Trienio"
  )

2.7.2 Mujeres

data_mort_prov |>
  filter(sexo == "Mujer", anio %in% c(2006, 2018)) |> 
  ggplot()+
  # geom_point(aes(name_simp, rmxm))+
  geom_linerange(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, ymin = ici_rmxm, ymax = ics_rmxm, colour = as.character(anio)))+
  geom_point(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, colour = as.character(anio)))+
  scale_color_manual(values = c("grey80", "black"), labels = c("2005-2007", "2017-2019"))+
  scale_x_reordered()+
  facet_wrap(~gedad+grupo_oms, scales="free", ncol=4)+
  theme(
    strip.text = element_text(size = 8, margin = margin()),
    axis.text.y = element_text(size = 8, colour = "grey20"),
    panel.background = element_rect(),
    axis.text.x = element_text(angle = 45, size=7.5, colour = "grey20", hjust = 1)
  )+
  coord_flip()+
  labs(
    title = "Mortalidad especifica segun edad y causa de mujeres por provincias",
    subtitle = "punta-a-punta",
    y="Razon de mortalidad x100.000 IC 95%",
    x="",
    colour ="Trienio"
  )

2.8 Clasificacion por tamaño

Se analiza la Razon de mortalidad por trienio, segun tamaño de la poblacion de las provincias. Este analisis mostraria cómo los valores extremos suceden en las poblaciones mas pequeñas, mientras las poblaciones mas grendes muestran normalidad tanto en los valores entre ellas como a lo largo de la serie; debiendo ser explicadas las variaciones a la pauta.

# Union pob mort
data_mort_prov |> 
  left_join(data_pob_prov_size, by=c("geocodigo_prov")) |> 
  select(-label.y) |> 
  rename(pob.tot = pob.y, pob = pob.x, label = label.x)-> data_mort_prov

head(data_mort_prov)

## # A tibble: 6 × 17
##    anio Años   gedad sexo  geocodigo_prov grupo_oms casos region label name_simp
##   <dbl> <chr>  <ord> <chr> <chr>          <chr>     <int> <chr>  <chr> <chr>    
## 1  2003 2001-… Meno… Mujer 10             Condicio…   207 NOA    Cata… Catamarca
## 2  2003 2001-… Meno… Mujer 10             Enfermed…    23 NOA    Cata… Catamarca
## 3  2003 2001-… Meno… Mujer 10             Enfermed…   136 NOA    Cata… Catamarca
## 4  2003 2001-… Meno… Mujer 10             Lesiones     54 NOA    Cata… Catamarca
## 5  2003 2001-… Meno… Mujer 14             Condicio…   797 CENTRO Córd… Córdoba  
## 6  2003 2001-… Meno… Mujer 14             Enfermed…   142 CENTRO Córd… Córdoba  
## # ℹ 7 more variables: pob <dbl>, rm <dbl>, rmxm <dbl>, ici_rmxm <dbl>,
## #   ics_rmxm <dbl>, pob.tot <dbl>, cuartil <chr>

unique(data_mort_prov$grupo_oms)

## [1] "Condiciones transmisibles, maternas, perinatales y nutricionales"
## [2] "Enfermedades mal definidas"                                      
## [3] "Enfermedades no transmisibles"                                   
## [4] "Lesiones"

2.9 En adelante

En otro capitulo, no incluido aqui, se estimo la evolucion de las razones por edad, sexo y causa de las provincias, a partir de metodo lineal, y Mandel-Kendal

Mortalidad por causas en Argentina 6

Federico Tricarico

2025-08-03

1 Intro

2 Provincias

2.1 La Poblacion

2.2 Las defunciones

2.2.1 Distribucion

2.2.1.1 Normal

2.2.1.2 Escala Log

2.3 Estimacion de la Razon

2.3.1 Mortalidad por edades

2.3.2 Por edades

2.3.2.1 Jovenes

2.3.2.1.1 Grupo1

2.3.2.1.2 Grupo2

2.3.2.1.3 Grupo3

2.3.2.1.4 Grupo4

2.3.2.2 Edades centrales

2.3.2.2.1 Grupo1

2.3.2.2.2 Grupo2

2.3.2.2.3 Grupo3

2.3.2.2.4 Grupo4

2.3.2.3 Mayor de 70

2.3.2.3.1 Grupo1

2.3.2.3.2 Grupo2

2.3.2.3.3 Grupo3

2.3.2.3.4 Grupo4

2.3.3 Evolucion de la razon

2.3.3.1 Menor de 24

2.3.3.1.1 Estatico

2.3.3.1.2 Dinamico

2.3.3.2 De 25 a 69

2.3.3.2.1 Estatico

2.3.3.2.2 Dinamico

2.3.3.3 De Mayores de 70

2.3.3.3.1 Estatico

2.3.3.3.2 Dinamico

2.4 Distribucion por Provincias 2017-2019

2.4.0.1 Ranking

2.4.0.1.1 Edades jovenes Menores de 24 años

2.4.0.1.2 Edades centrales de 25 a 69 años

2.4.0.1.3 Edades mayores de 70 años y mas

2.5 Los extremos

2.6 Tabla de Rangos

2.6.1 Mujeres

2.6.2 Varones

2.7 Comparacion

2.7.1 Varones

2.7.2 Mujeres

2.8 Clasificacion por tamaño

2.9 En adelante